利用機(jī)載LiDAR點(diǎn)云數(shù)據(jù)提取城區(qū)道路

彭檢貴，馬洪超，高 廣，趙亮亮

(武漢大學(xué)遙感信息工程學(xué)院，湖北武漢430079)

利用機(jī)載LiDAR點(diǎn)云數(shù)據(jù)提取城區(qū)道路

彭檢貴，馬洪超，高 廣，趙亮亮

(武漢大學(xué)遙感信息工程學(xué)院，湖北武漢430079)

提出一種從機(jī)載LiDAR點(diǎn)云中提取城區(qū)道路的方法。首先，利用機(jī)載LiDAR點(diǎn)云的高程和強(qiáng)度屬性，對(duì)末次回波點(diǎn)云進(jìn)行去噪、濾波和分類后獲取初始道路點(diǎn)云;然后使用基于邊長(zhǎng)和面積閾值的約束Delaunay不規(guī)則三角網(wǎng)方法精化初始道路點(diǎn)云;最后采用α-Shapes方法從精化后的道路點(diǎn)集中提取道路輪廓，并用數(shù)學(xué)形態(tài)學(xué)細(xì)化方法提取道路中心線。試驗(yàn)結(jié)果表明，該方法提取的城區(qū)道路正確率和完整性較高。

機(jī)載LiDAR;點(diǎn)云;道路提取;約束Delaunay不規(guī)則三角網(wǎng);α-Shapes

一、引 言

道路是城市的主要基礎(chǔ)設(shè)施，道路信息的快速獲取與更新對(duì)于數(shù)字城市的建設(shè)具有重要意義。20世紀(jì)70年代以來(lái)，國(guó)內(nèi)外學(xué)者展開(kāi)了基于遙感影像數(shù)據(jù)的道路提取研究，提出了多種半自動(dòng)和自動(dòng)提取方法，取得了一定的研究成果，但仍無(wú)法滿足現(xiàn)實(shí)需要，主要表現(xiàn)在：① 基于中低分辨率影像數(shù)據(jù)的道路提取結(jié)果較好，而基于高分辨數(shù)據(jù)的道路提取結(jié)果不理想;②以半自動(dòng)方法為主，自動(dòng)化程度不高［1］。

機(jī)載LiDAR技術(shù)的發(fā)展為道路特征的快速獲取提供了新的技術(shù)手段。機(jī)載LiDAR系統(tǒng)是通過(guò)發(fā)射和接收激光脈沖來(lái)獲取地表目標(biāo)高精度、大密度的三維坐標(biāo)點(diǎn)云，并且發(fā)射的激光束具有一定的植被穿透能力，能獲取多次回波數(shù)據(jù)和目標(biāo)強(qiáng)度信息。同時(shí)，點(diǎn)云的強(qiáng)度信息具有一定的可分性，可以實(shí)現(xiàn)地面材料的分類［2］，有助于探測(cè)城區(qū)道路。因此，LiDAR點(diǎn)云數(shù)據(jù)正成為道路特征提取的新數(shù)據(jù)源。目前，從機(jī)載LiDAR點(diǎn)云數(shù)據(jù)中提取并重建道路特征正逐漸成為研究熱點(diǎn)，國(guó)內(nèi)外學(xué)者已提出多種基于機(jī)載LiDAR點(diǎn)云提取道路特征的方法：文獻(xiàn)［3］利用高分辨率LiDAR點(diǎn)云數(shù)據(jù)提取森林地區(qū)道路;文獻(xiàn)［4］利用LiDAR點(diǎn)云高程和強(qiáng)度信息分類道路點(diǎn)，同時(shí)考慮了點(diǎn)云的局部密度，采用相位編碼圓盤(PCD)方法獲取道路中心線及寬度;文獻(xiàn)［5］聯(lián)合高分辨率數(shù)字影像和LiDAR點(diǎn)云提取道路網(wǎng)，該方法首先結(jié)合點(diǎn)云高程和強(qiáng)度信息提取道路區(qū)域，然后利用正射影像區(qū)分露天廣場(chǎng)與草地、樹(shù)木，通過(guò)迭代Hough變化檢測(cè)規(guī)則格網(wǎng)形式的道路網(wǎng);文獻(xiàn)［7-8］也提出了基于機(jī)載LiDAR點(diǎn)云的道路提取方法，但點(diǎn)云數(shù)據(jù)存在離散性、缺乏光譜信息及環(huán)境的復(fù)雜性導(dǎo)致道路提取成果有限，總體上仍處于起步階段。本文在分析機(jī)載LiDAR數(shù)據(jù)中道路特征后提出一種顧及道路幾何特征的城區(qū)道路提取方法。試驗(yàn)表明，該方法能較好地提取城區(qū)道路。

二、原理與方法

1.基本原理

在機(jī)載LiDAR點(diǎn)云數(shù)據(jù)中，城市道路點(diǎn)云具有以下特征：①道路點(diǎn)云高程與地面接近，但低于周圍地物，如建筑物、樹(shù)木等;②道路材質(zhì)一般為瀝青或混凝土，其強(qiáng)度特征明顯區(qū)別于植被、裸露地面等;③在幾何形狀上，道路點(diǎn)云呈條帶狀分布并彼此連通;④在回波特點(diǎn)上，道路點(diǎn)云都為末次回波點(diǎn)?；诘缆伏c(diǎn)云的上述特征，本文首先利用點(diǎn)云的高程信息，采用濾波方法將末次回波點(diǎn)云分為地面點(diǎn)云與非地面點(diǎn)云;然后利用點(diǎn)云強(qiáng)度屬性將地面點(diǎn)云分類為初始道路點(diǎn)云和其他地面點(diǎn)云;最后根據(jù)道路的幾何特性，采用基于邊長(zhǎng)和面積約束的Delaunay不規(guī)則三角網(wǎng)(constrained delaunay triangulated irregular network，CD-TIN)方法精化道路點(diǎn)云，并引入二維α-Shapes方法和數(shù)學(xué)形態(tài)學(xué)細(xì)化方法提取道路輪廓和中心線。具體算法流程如圖1所示。

圖1 算法流程

2.初始道路點(diǎn)云獲取

(1)末次原始點(diǎn)云去噪和濾波

原始點(diǎn)云中常存在少量高程極低的“噪聲”點(diǎn)，而極低點(diǎn)的存在會(huì)影響濾波處理時(shí)初始地面點(diǎn)的選擇。因此，在進(jìn)行濾波分類處理前須去除極低點(diǎn)。所采取的方法是：若某點(diǎn)或某幾個(gè)點(diǎn)在給定的搜索半徑內(nèi)，其高程比其他所有點(diǎn)的高程都小，且它們間的最小高差大于給定閾值Hmax，則認(rèn)定為極低點(diǎn)并刪除。

由于漸進(jìn)加密不規(guī)則三角網(wǎng)(TIN)濾波算法［9］在城區(qū)和森林地區(qū)有良好的適用性，采用該算法對(duì)去除“噪聲”后的點(diǎn)云進(jìn)行濾波處理，將原始點(diǎn)云分為地面點(diǎn)云和非地面點(diǎn)云兩類。

(2)基于強(qiáng)度屬性的初始道路點(diǎn)云分類

基于高程的濾波算法無(wú)法將高程與道路接近的其他目標(biāo)分開(kāi)，因此濾波后的地面點(diǎn)云中仍包含道路點(diǎn)云和其他地物點(diǎn)云，需要利用它們的回波強(qiáng)度屬性進(jìn)行區(qū)分。而植被和裸露地面的回波強(qiáng)度大于瀝青表面和混凝土表面［10］，據(jù)此可將道路區(qū)分開(kāi)來(lái)。

設(shè)地面點(diǎn)集為S，均勻選取若干道路區(qū)域樣本點(diǎn)集{S1，S2，…，Sn}，統(tǒng)計(jì)每個(gè)樣本區(qū)域的強(qiáng)度值范圍為{(Imin1，Imax1)，(Imin2，Imax2)，…，(Iminn，Imaxn)}，則整個(gè)區(qū)域的道路點(diǎn)云強(qiáng)度范圍可表示為

基于上述條件的初始道路點(diǎn)集Sroad，可定義為

式中，Ipk為點(diǎn)集Sroad中任意一點(diǎn)pk的強(qiáng)度值;Imax和Imin分別為經(jīng)過(guò)統(tǒng)計(jì)得到的道路強(qiáng)度閾值最大值和最小值。將滿足式(1)的點(diǎn)云存儲(chǔ)在點(diǎn)集Sroad中，剔除其他不滿足條件的點(diǎn)云。

3.初始道路點(diǎn)云精化

因部分地物在高程和材質(zhì)上與道路接近，以及強(qiáng)度噪聲的影響，初始道路點(diǎn)集Sroad中仍存在部分非道路點(diǎn)云，非道路點(diǎn)云的存在會(huì)干擾道路特征提取，需對(duì)初始道路點(diǎn)云作精化處理?；邳c(diǎn)集Sroad中點(diǎn)云密度特征及道路的連通性，本文提出基于邊長(zhǎng)和面積約束的CD-TIN方法精化初始道路點(diǎn)云。

在初始道路點(diǎn)云中，真實(shí)道路區(qū)域點(diǎn)云密度遠(yuǎn)大于非道路目標(biāo)區(qū)域。由初始道路點(diǎn)云構(gòu)成的非約束Delaunay TIN(以下簡(jiǎn)稱D-TIN)中，真實(shí)道路區(qū)域點(diǎn)云構(gòu)成的三角形邊長(zhǎng)小于非道路區(qū)域點(diǎn)云構(gòu)成的三角形邊長(zhǎng)，據(jù)此可引入邊長(zhǎng)約束條件將初始道路點(diǎn)云構(gòu)成的D-TIN分割成多個(gè)CD-TIN和若干離散點(diǎn)。道路的連通性決定了由道路點(diǎn)云構(gòu)成的CD-TIN比其他非道路點(diǎn)云構(gòu)成的CD-TIN的面積大。因此，通過(guò)設(shè)定合適的面積閾值可剔除非道路區(qū)域。具體過(guò)程為：①用逐點(diǎn)插入法構(gòu)建初始道路點(diǎn)云D-TIN(如圖2(a)所示);② 設(shè)定邊長(zhǎng)閾值構(gòu)建CD-TIN，則D-TIN被分割成若干孤立的CDTIN和離散點(diǎn)(如圖2(b)所示);③剔除離散點(diǎn)，并設(shè)定面積閾值，刪除面積小于閾值的CD-TIN及其點(diǎn)云。經(jīng)過(guò)上述過(guò)程，初始道路點(diǎn)集Sroad的絕大部分非道路目標(biāo)點(diǎn)云得以去除，記精化后的道路點(diǎn)集為S'road。

圖2 CD-TIN的構(gòu)建

4.道路輪廓及中心線提取

精化后的道路點(diǎn)云是離散的，需從這些離散點(diǎn)云中提取出道路輪廓和中心線。常用的方法是將道路點(diǎn)云內(nèi)插為二值影像，再?gòu)挠跋裰刑崛≥喞椭行木€，但經(jīng)過(guò)內(nèi)插處理的影像會(huì)降低提取結(jié)果的精度。因此，從離散的道路點(diǎn)云中直接獲取道路邊緣線是一種更優(yōu)的方法。本文引入基于二維的α-Shapes算法提取道路輪廓，α-Shapes算法可以從離散點(diǎn)集中提取邊緣，同時(shí)適用于凸凹多邊形內(nèi)外輪廓線的提?。?1］。它的基本原理可通過(guò)圖3闡述：假設(shè)一有限無(wú)序點(diǎn)集S由多個(gè)子集組成，各子集內(nèi)部點(diǎn)間距基本一致并小于子集之間的離散距離，則可想象成一個(gè)半徑為α的圓在各子集外滾動(dòng)，當(dāng)α適當(dāng)時(shí)，這個(gè)圓就不會(huì)滾到各子集內(nèi)部，其滾動(dòng)的痕跡就是各個(gè)子集的邊界線。

圖3 α-Shapes提取邊界原理示意圖

對(duì)于道路點(diǎn)集S'road，設(shè)置合適的半徑α，從點(diǎn)集中任意兩點(diǎn)P1、P2開(kāi)始繪制半徑為α的圓，若該圓內(nèi)沒(méi)有其他點(diǎn)，則認(rèn)為點(diǎn)P1、P2是邊界點(diǎn)，其連線P1P2是邊界線段。對(duì)所有點(diǎn)判斷完后，道路的邊緣點(diǎn)和輪廓線即被跟蹤出來(lái)。其中，α值可結(jié)合道路區(qū)域的點(diǎn)密度設(shè)置，而一般情況下，α值大于平均點(diǎn)距且小于兩倍平均點(diǎn)距時(shí)可獲得較好的結(jié)果。須指出的是，S'road中部分非道路點(diǎn)的存在使得跟蹤結(jié)果中存在部分長(zhǎng)度較小的非道路輪廓，設(shè)置合適的長(zhǎng)度閾值即可去除該線段。至此，即獲得了比較準(zhǔn)確的道路輪廓矢量。對(duì)由道路輪廓矢量包圍的區(qū)域進(jìn)行柵格化，用數(shù)學(xué)形態(tài)學(xué)細(xì)化算法即可提取出道路中心線。

三、試驗(yàn)及分析

為了考察算法的可行性，在VC++環(huán)境下實(shí)現(xiàn)了該算法。試驗(yàn)中的數(shù)據(jù)采集于國(guó)外某城市城市中心區(qū)，地形平坦，建筑物和道路密集，原始點(diǎn)云數(shù)據(jù)包含652 969個(gè)點(diǎn)，平均密度約為6.5點(diǎn)/m2，影像數(shù)據(jù)是分辨率為0.08 m的DMC影像，如圖4所示。

圖4 試驗(yàn)數(shù)據(jù)

該算法中各個(gè)步驟和所獲得的結(jié)果如下：

1)設(shè)置高差閾值為0.3 m去除噪聲點(diǎn)，設(shè)置漸進(jìn)加密三角網(wǎng)濾波算法中的建筑物參數(shù)最大邊長(zhǎng)為60 m，最大地形坡度為50°。結(jié)果如圖5(a)所示，灰色區(qū)域?yàn)榈孛纥c(diǎn)云，白色區(qū)域?yàn)榉堑孛纥c(diǎn)云。

2)均勻采集6個(gè)道路區(qū)域樣本的強(qiáng)度值，經(jīng)統(tǒng)計(jì)得到道路區(qū)域點(diǎn)云的強(qiáng)度值范圍為0～69，將滿足該強(qiáng)度范圍值的點(diǎn)云劃分為初始道路點(diǎn)，結(jié)果如圖5(b)所示。

3)以候選道路點(diǎn)構(gòu)建TIN，設(shè)置邊長(zhǎng)閾值為3 m，將TIN分割為多個(gè)孤立的CD-TIN和離散點(diǎn)。設(shè)置面積閾值為50 m2，刪除面積小于該值的孤立CD-TIN和離散點(diǎn)，精化后結(jié)果如圖5(c)所示。

4)設(shè)置α值為1.6 m，利用α-shapes方法提取點(diǎn)集中的所有輪廓邊緣，并設(shè)置長(zhǎng)度閾值為20 m去除非道路輪廓線，結(jié)果如圖5(d)所示。利用數(shù)學(xué)形態(tài)學(xué)細(xì)化算法提取的道路中心線結(jié)果如圖5(e)所示。

圖5 試驗(yàn)結(jié)果

為評(píng)價(jià)算法的準(zhǔn)確性，手工分類道路點(diǎn)云作為評(píng)價(jià)參考，得到道路點(diǎn)云數(shù)為125 116個(gè)，用本文方法分類得到道路點(diǎn)云113 879個(gè)，其中重疊點(diǎn)數(shù)為104 123個(gè)，即正確率(重疊點(diǎn)數(shù)/手工分類點(diǎn)數(shù))為83.22%;將道路點(diǎn)錯(cuò)分為非道路點(diǎn)數(shù)為20 993個(gè)，錯(cuò)誤率(錯(cuò)分道路點(diǎn)數(shù)/手工分類點(diǎn)數(shù)，記為I1)為16.78%;將非道路點(diǎn)錯(cuò)分為道路點(diǎn)數(shù)為9756個(gè)，錯(cuò)誤率(錯(cuò)分非道路點(diǎn)/手工分類點(diǎn)數(shù)，記為 I2)為7.79%。I1產(chǎn)生的原因主要是道路斑馬線和分道線上的點(diǎn)云強(qiáng)度值較大，在用強(qiáng)度信息分類時(shí)，這些點(diǎn)被當(dāng)做非道路點(diǎn)處理，但由于點(diǎn)云密度很大，對(duì)于輪廓提取的完整性影響不大;I2產(chǎn)生的原因是與道路相連的部分停車場(chǎng)、廣場(chǎng)與路面的材質(zhì)一致，強(qiáng)度值接近，不易區(qū)分，使得最終提取的道路輪廓部分區(qū)域?qū)挾炔灰恢拢瑘D5(d)中部分區(qū)域輪廓寬度不一致反映了該類誤差的影響。

從圖5(d)、圖5(e)中可看出，本文算法能正確提取絕大部分道路特征，而且所提取的道路特征具有較高的完整性，即使在有植被覆蓋區(qū)域，所提取的道路線也很少出現(xiàn)中斷現(xiàn)象。

圖5(f)是采用文獻(xiàn)［4］的方法獲取道路點(diǎn)后提取的道路輪廓與影像疊加結(jié)果。與本文方法獲取結(jié)果(如圖5(d)所示)對(duì)比可明顯看出，該方法提取的道路特征碎片較多，道路有較多中斷，輪廓與影像中道路實(shí)際邊界相差較大。而本文方法提取的道路輪廓碎片少，完整度高，能與道路實(shí)際邊緣較好套合，這是因?yàn)楸疚牟捎玫腃D-TIN精化道路點(diǎn)云的方法顧及了道路的幾何特征，有效去除了非道路目標(biāo)點(diǎn)，提高了道路點(diǎn)云的分類精度，以及道路的正確率和完整率;同時(shí)，采用了α-shapes算法直接基于道路點(diǎn)云提取道路輪廓，使得道路輪廓線與實(shí)際道路邊界比較吻合。

四、結(jié)束語(yǔ)

本文提出了一種基于機(jī)載LiDAR點(diǎn)云提取城區(qū)道路的方法，該方法充分利用機(jī)載LiDAR點(diǎn)云的高程和強(qiáng)度屬性獲取候選道路點(diǎn)，并顧及道路的幾何屬性提出一種基于邊長(zhǎng)和面積約束的CD-TIN方法精化道路點(diǎn);然后引入α-shapes算法和形態(tài)學(xué)細(xì)化方法直接從道路點(diǎn)云中提取道路輪廓和中心線。試驗(yàn)表明，該方法提取的道路輪廓和中心線正確率和完整性都較高，具有較大的實(shí)用性。另外，該方法也存在著一些不足：點(diǎn)云強(qiáng)度值的確定需要采集樣本，相關(guān)參數(shù)的設(shè)定采用的是經(jīng)驗(yàn)值，如何自適應(yīng)提取道路是今后需要進(jìn)一步研究的問(wèn)題。與影像結(jié)合提取更精確、完整的道路也是未來(lái)的研究目標(biāo)。

［1］ 史文中，朱長(zhǎng)青，王昱.從遙感影像提取道路特征的方法綜述與展望［J］.測(cè)繪學(xué)報(bào)，2001，30(3)：257-262.

［2］ SONG J H，HAN S H，YU K Y，et al.Assessing the Possibility of Land-cover Classification Using LiDAR Intensity Data［C］∥Proceedings of the ISPRS Technical Commission III Symposium.Graz，Austria：［s.n.］，2002.

［3］ RIEGER W，KERSCHNER M，REITER T，et al.Roads and Buildings from Laser Scanner Data within a Forest Enterprise［C］∥International Archives of Photogrammetry and Remote Sensing.Lajolla：［s.n.］，1999：185-191.

［4］ CLODE S，ROTTENSTEINER F，KOOTSOOKOS P，et al.Detection and Vectorization of Roads from Lidar Data［J］.Photogrammetric Engineering and Remote Sensing，2007，73(5)：517-535.

［5］ HU Xiangyun，TAO C V，HU Yong.Automatic Road Extraction from Dense Urban Area by Integrated Processing of High Resolution Imagery and LiDAR Data［J］.International Archives of Photogrammetry，Remote Sensing and Spatial Information Science，2004，XXXV：288-292.

［6］ LI J，LEE H J，CHO G S.Parallel Algorithm for Road Points Extraction from Massive LiDAR Data［C］∥Proceedings of IEEE International Symposium on Parallel and Distributed Processing with Applications.Washington DC：IEEE Computer Society，2008：308-315.

［7］ 龔亮，張永生，李正國(guó)，等.基于強(qiáng)度信息聚類的機(jī)載LiDAR點(diǎn)云道路提?。跩］.測(cè)繪通報(bào)，2011(9)：15-24.

［8］ BOYKO A，F(xiàn)UNKHOUSER T.Extracting Roads from Dense Point Clouds in Large Scale Urban Environment［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2011，66(5)：S2-S12.

［9］ AXELSSON P E.DEM Generation from Laser Scanner Data Using Adaptive TIN Models［J］.International Archive of Photogrammetry and Remote Sensing，2000，XXXIII(B4)：110-117.

［10］ 劉經(jīng)南，張小紅.利用激光強(qiáng)度信息分類激光掃描測(cè)高數(shù)據(jù)［J］.武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2005，30(3)：189-193.

［11］ NATARAJ A，HERBERT E，MICHAEL F，et al.Alpha Shapes：Definition and Software［EB/OL］.［2012-06-11］.http：∥www.geom.uiuc.edu/software/cglist/ GeomDir/shapes95def/index.html.

Road Extraction from Airborne LiDAR Point Clouds Data in Urban Area

PENG Jiangui，MA Hongchao，GAO Guang，ZHAO Liangliang

0494-0911(2012)09-0016-04

P237

B

2012-06-11

國(guó)家973計(jì)劃(2009CB72400704);國(guó)家自然科學(xué)基金(41001257);國(guó)家863計(jì)劃(2009AA12Z107);中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)基金(20102130101000130)

彭檢貴(1980—)，男，湖南平江人，博士生，主要研究方向?yàn)闄C(jī)載LiDAR數(shù)據(jù)處理與分析。